Replication: Contrastive Learning and Data Augmentation in Traffic Classification Using a Flowpic Input Representation
Huawei Technologies SASU France(华为技术法国SASU公司)
本文复现并验证了基于Flowpic表示的流量分类中对比学习与数据增强方法,确认多数结果,同时发现数据偏移导致20%准确率下降,并验证增强策略在其他数据集上的有效性。
2023-10-14 cs.LG cs.NI
Practical and Configurable Network Traffic Classification Using Probabilistic Machine Learning
本文提出一种基于似然估计的可配置机器学习流量分类方法,仅利用数据包序列统计信息区分已知与未知流量,并支持可调节的确定性水平和多种分类场景,在高性能计算网络真实流量上验证了有效性。
2021-07-10 cs.LG cs.NI
Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
School of ECE, College of Engineering, University of Tehran(德黑兰大学工程学院电气与计算机工程学院)
在本文中,我们介绍了一种新的端到端的流量分类方法来区分流量类,包括VPN流量在三层的开放系统互连(OSI)模型。由于其加密性质,使用传统分类方法对VPN流量进行分类并不简单。我们利用两个著名的神经网络,即多层感知器和递归神经网络创建我们的级联神经网络集中在两个指标:类分数和类的中心距离。这种方法将提取、选择和分类功能组合到单个端到端系统中,以系统地学习输入和预测性能之间的非线性关系。因此,我们可以通过拒绝VPN类的不相关特征来区分VPN流量和非VPN流量。此外,我们得到的应用类型的非VPN流量在同一时间。该方法是使用一般的流量数据集ISCX VPN-nonVPN,和所获得的数据集进行评估。结果表明,加密流量分类的框架方法的有效性,同时也实现了极高的准确性,$95$百分比,这是高于国家的最先进的模型的准确性,和强大的泛化能力。
2021-12-10 cs.LG cs.NI
More Than Meets the Eye: A Semantics-Aware Traffic Augmentation Framework for Generalizable Website Fingerprinting
School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing, China(北京邮电大学信息安全学院);School of Computer Science and Engineering, Beihang University, Beijing, China(北京航空航天大学计算机科学与工程学院);Faculty of Computing, Harbin Institute of Technology, Harbin, China(哈尔滨工业大学计算机学院);School of Computer Science and Engineering, Guangxi Normal University, Guilin, China(广西师范大学计算机科学与工程学院);Zhongguancun Laboratory, Beijing, China(中关村实验室)
本文提出SATA框架,通过协议规则增强应用层语义并引入跨层特征对齐机制,提升网站指纹识别在复杂场景下的泛化能力,实验显示其在开放世界设置中显著提升准确率和AUC。
2026-05-12 cs.CR cs.LG cs.NI
Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing
University of Toronto(多伦多大学);TELUS(泰勒斯公司)
使用机器学习技术的网络流量分类已经被广泛研究。大多数现有的计划分类整个交通流量,但有很大的局限性,其实用性。在网络路由器上,需要以最小的延迟处理数据包,因此分类器不能等到流结束才做出决定。此外,复杂的机器学习算法可能在计算上过于昂贵而无法在路由器内部实现。在本文中,我们引入流包混合流量分类(FPHTC),其中路由器作出决定,每个数据包的基础上的路由策略,设计通过转移学习的知识,从基于流的分类驻留在路由器之外。我们分析了FPHTC的推广界,并显示其优势,定期基于数据包的流量分类。我们目前的实验结果使用真实世界的流量数据集来说明FPHTC的分类性能。我们表明,它是强大的流量模式的变化,可以部署有限的计算资源。
2021-04-30 cs.LG cs.NI
Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
University of Oregon(俄勒冈大学);University of Oregon, Link Oregon(俄勒冈大学,Link Oregon)
本文提出模型无关的流量解释框架Traffic-Explainer,通过最大化原始与掩码序列预测间的互信息揭示关键特征,在应用分类、流量定位和网络制图中提升深度学习流量分类的透明性,性能较现有方法提升约42%。
2025-09-22 cs.LG cs.NI
Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications
Huawei Technologies(华为技术有限公司)
机器学习(ML)和深度学习(DL)的日益成功最近重新引发了人们对流量分类的兴趣。虽然已知流量的分类是一个经过充分研究的主题,已知监督分类工具(如ML和DL模型)可以提供令人满意的性能,但未知(或零日)流量的检测更具挑战性,通常由无监督技术(如聚类算法)处理。在本文中,我们分享了我们在商业级DL流量分类引擎上的经验,该引擎能够(i)从加密流量中识别已知应用,以及(ii)处理未知的零日应用。特别是,我们对(i)的贡献是在商业级设置中对最先进的流量分类器进行全面评估,这些流量分类器包括数千个非常细粒度的应用程序标签,与学术评估中通常针对的几十个类别相反。此外,我们通过提出一种新的技术来解决(ii)零日应用程序的检测问题,该技术专为DL模型定制,比现有技术更准确,重量更轻。总结我们的主要发现,我们收集到(i)虽然ML和DL模型都同样能够为已知流量的分类提供令人满意的解决方案,然而(ii)DL主干的非线性特征提取过程为未知类别的检测提供了相当大的优势。
2021-09-27 cs.LG cs.NI
Automated Augmentation with Reinforcement Learning and GANs for Robust Identification of Traffic Signs using Front Camera Images
Volvo Cars USA(沃尔沃汽车美国公司);U. Washington(华盛顿大学);VolvoCars(沃尔沃汽车);Chalmers University of Technology(查尔姆斯理工大学);Fung Institute, University of California, Berkeley(加州大学伯克利分校冯氏研究所)
利用车辆摄像头图像识别交通标志在自动驾驶和路径规划中起着关键作用。然而,前置摄像头图像可能由于模糊、光照变化和故意破坏而失真,这可能导致检测性能下降。作为一种解决方案,机器学习模型必须使用来自多个领域的数据进行训练,并且在每个新领域中收集和标记更多数据既耗时又昂贵。在这项工作中,我们提出了一个端到端的框架,以增强交通标志训练数据,使用最佳的强化学习策略和各种生成对抗网络(GAN)模型,然后可以用来训练交通标志检测器模块。我们的自动增强器可以使用LISA交通标志和BDD-Nexar数据集从转换的夜间,光线不足和不同程度的遮挡中学习。所提出的方法能够将训练数据从一个域映射到另一个域,从而将夜间图像的交通标志检测精度/召回率从0.70/0.66提高到0.83/0.71。
2019-11-15 cs.AI cs.CV cs.LG
Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
针对交通数据隐私敏感、分散在多利益方数据孤岛的问题,提出FedTPS联邦学习框架,通过联邦训练扩散轨迹生成模型合成数据增强本地数据集,结合新型时空注意力预测模型,在真实网约车数据集上的全局模型性能优于多个联邦基线。
2025-03-20 cs.AI cs.DC cs.LG
A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification
Huawei Technology France(法国华为技术公司);University of Napoli Federico II(那不勒斯费德里科二世大学)
最近深度学习(DL)的流行增长重新点燃了对流量分类的兴趣,几项研究证明了基于DL的分类器识别互联网应用流量的准确性。即使在硬件加速器(GPU、TPU)的帮助下,DL模型训练仍然昂贵,并且限制了操作频繁的模型更新的能力,这些更新是适应互联网流量(特别是移动流量)不断变化的性质所必需的。为了解决这个痛点,在这项工作中,我们探索增量学习(IL)技术,在没有完全重新训练的情况下向模型添加新类,从而加快模型的更新周期。我们考虑了iCarl,一种最先进的IL方法,以及MINUS-2019,一个包含40个Android应用程序流量的公共数据集,旨在了解“流量分类中是否存在增量学习的情况”。通过剖析iCarl的内部结构,我们讨论了改进其设计的方法,并提供了一个修订版,即iCarl+。尽管我们的分析揭示了他们的婴儿期,IL技术是一个很有前途的研究领域的路线图自动DL为基础的流量分析系统。
2021-07-09 cs.LG cs.NI
Time-Distributed Feature Learning in Network Traffic Classification for Internet of Things
Ryerson University(瑞尔森大学)
物联网(IoT)设备的过多导致爆炸性的网络流量。网络流量分类(NTC)是探索网络流行为的重要工具,互联网服务提供商(ISP)需要NTC来管理物联网网络的性能。我们提出了一种新的网络数据表示,处理交通数据作为一系列的图像。因此,网络数据被实现为视频流以采用时间分布(TD)特征学习。使用卷积神经网络(CNN)和长短期记忆(LSTM)学习网络统计数据中的时间内信息,并且通过TD多层感知器(MLP)学习流之间的伪时间特征。我们进行实验,使用一个大的数据集与更多的类。实验结果表明,TD特征学习使网络分类性能提高了10%。
2021-09-29 cs.LG cs.NI
A Pipeline of Augmentation and Sequence Embedding for Classification of Imbalanced Network Traffic
K. N. Toosi University of Technology(霍加·纳绥尔丁·图西理工大学);University of Bergen(卑尔根大学)
提出一种结合LSTM和KDE数据增强与FS-Embedding序列嵌入的流水线,用于平衡不平衡网络流量数据,在保持准确率的同时加快收敛并减少模型参数。
2025-02-26 cs.LG
Deep Packet: A Novel Approach For Encrypted Traffic Classification Using Deep Learning
Sharif University of Technology(谢里夫理工大学)
随着当前互联网网络和在线应用的快速增长,互联网流量分类变得更加重要。关于这一主题已经有许多研究,导致了许多不同的方法。这些方法中的大多数使用由专家提取的预定义特征来对网络流量进行分类。相比之下,在这项研究中,我们提出了一个\emph{deep learning}为基础的方法,集成了特征提取和分类阶段到一个系统。我们提出的方案,称为“深度分组”,可以处理\emph{traffic characterization},其中网络流量被分类为主要类别(\eg,FTP和P2P)和应用程序识别,其中最终用户应用程序(\eg,BitTorrent和Skype)的识别是期望的。与目前大多数方法相反,深度数据包可以识别加密流量,并区分VPN和非VPN网络流量。在对数据进行初始预处理阶段之后,数据包被送入深度数据包框架,该框架嵌入了堆栈式自动编码器和卷积神经网络,以便对网络流量进行分类。以CNN为分类模型的深度包实现了应用识别任务中的$0.98$和流量分类任务中的$0.94$的召回。据我们所知,Deep Packet在UNB ISCX VPN-nonVPN数据集上的表现优于所有提出的分类方法。
2018-07-04 cs.CR cs.LG cs.NI
Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey
Mehran University of Engineering and Technology(梅赫兰工程与技术大学)
本综述系统梳理了面向物联网环境的深度学习网络流量分类方法,分析了各类模型的优劣与挑战,并指出了未来研究方向。
2024-02-01 cs.CR cs.LG cs.NI
Non-uniformity is All You Need: Efficient and Timely Encrypted Traffic Classification With ECHO
The Hebrew University(希伯来大学);Tel Aviv University(特拉维夫大学);Princeton University(普林斯顿大学)
针对加密流量分类的效率与延迟问题,本文提出包含非均匀分箱超参数优化和级联早期分类的ECHO框架,在公开数据集上实现延迟最高降90%,同时维持甚至提升准确率。
2024-07-09 cs.CR cs.LG cs.NI
Deep Learning for Network Traffic Classification
Columbia University(哥伦比亚大学)
监视网络流量以识别内容、服务和应用是网络流量控制系统中的活跃研究主题。虽然现代防火墙提供了解密数据包的能力,但这对隐私倡导者没有吸引力。因此,从加密流量中识别任何信息是一项具有挑战性的任务。尽管如此,以前的工作已经确定了可以实现应用程序和服务识别的机器学习方法。该过程涉及从网络分组数据中提取高级特征提取,然后训练用于流量识别的鲁棒机器学习分类器。我们提出了一种分类技术,使用集成的深度学习架构的数据包,有效载荷和到达时间间隔序列。据我们所知,这是第一次将这种深度学习架构应用于服务器名称指示(SNI)分类问题。我们的集成模型击败了最先进的机器学习方法,我们最新的模型可以在github上找到:\url{https://github.com/niloofarbayat/NetworkClassification}
2021-06-02 cs.CR cs.LG cs.NI
Adversarial Augmentation for Enhancing Classification of Mammography Images
ETH Zürich(苏黎世联邦理工学院);University Hospital Zürich(苏黎世大学医院)
监督式深度学习依赖于有足够的训练数据可用的假设,这给它在医学成像等多个领域的应用带来了问题。在一个二进制图像分类任务(乳腺癌识别)的例子中,我们表明,预训练生成模型有意义的图像增强有助于提高所得分类器的性能。通过增加数据,即使使用相对较小的训练集,也可以提高下游分类任务的性能。我们表明,这种“对抗增强”产生有前途的结果相比,经典的图像增强的例子乳腺癌分类。
2019-02-20 cs.CV cs.LG
Robust Augmentation for Multivariate Time Series Classification
University of YYY(YYY大学);Department of XXX, University of YYY(YYY大学XXX系)
神经网络能够学习强大的数据表示,但由于参数的数量,它们容易过拟合。这在时间序列分类领域尤其具有挑战性,其中数据集可能包含少于100个训练样本。在本文中,我们展示了剪切,剪切混合,混合和窗口扭曲的简单方法,以统计上显著的方式提高了时间序列分类的卷积,递归和基于自注意力的架构的鲁棒性和整体性能。我们在东安格利亚大学多变量时间序列分类(UEA MTSC)档案的26个数据集上评估了这些方法,并分析了这些方法在不同类型的时间序列数据上的表现。我们发现,与没有增强的情况相比,增强的InceptionTime网络在18个不同的数据集中将准确率提高了1%至45%。我们还表明,增强提高了经常性和自注意力为基础的架构的准确性。
2022-01-27 cs.LG
Beyond Measurement Metrics: A Human-Centered Framework for Semantic Validation of Network Traffic Classification
Fraunhofer IGD(弗劳恩霍夫计算机图形学研究所);Technische Universität Darmstadt(达姆施塔特工业大学)
针对网络流量分类模型仅追求预测性能而忽视语义可信度的问题,提出一个结合数据、模型、可解释性、可视化与专家推理的以人为中心框架,以支持语义验证,提升模型的稳健性与可信度。
2026-09-16 cs.HC cs.LG cs.NI
Automated Data Augmentations for Graph Classification
Texas A&M University(得克萨斯农工大学);Fujitsu Research of America, INC.(美国富士通研究公司);Fujitsu Research, Fujitsu Limited(富士通有限公司富士通研究所)
数据增强是提高学习机不变性的有效方法。我们认为,数据增强的核心挑战在于设计保留标签的数据转换。这对于图像来说相对简单,但对于图形来说更具挑战性。在这项工作中,我们提出了GraphAug,一种新的自动数据增强方法,旨在计算标签不变的增强图分类。与现有研究中使用统一变换不同,GraphAug使用自动增强模型来避免损害图的关键标签相关信息,从而在大多数情况下产生标签不变的增强。为了确保标签不变性,我们开发了一种基于强化学习的训练方法,以最大化估计的标签不变性概率。实验表明,GraphAug在各种图分类任务上优于以前的图增强方法。
2023-02-28 cs.AI cs.LG
Improved Text Classification via Test-Time Augmentation
Massachusetts Institute of Technology (MIT)(麻省理工学院)
测试时增强--在测试输入的转换示例中聚合预测--是一种改进图像分类模型性能的成熟技术。重要的是,TTA可以用于事后改进模型性能,而无需额外的训练。虽然测试时增强(TTA)可以应用于任何数据模态,但它在NLP中的应用有限,部分原因是难以识别标签保持转换。在本文中,我们提出了增强政策,产生显着的准确性提高与语言模型。一个关键的发现是,扩增政策设计-例如,从一个单一的,不确定的扩增产生的样本数量-有相当大的影响,TTA的好处。跨二进制分类任务和数据集的实验表明,测试时增强可以比当前最先进的方法提供一致的改进。
2022-06-27 cs.CL cs.LG
AugWard: Augmentation-Aware Representation Learning for Accurate Graph Classification
Seoul National University(首尔大学);Soongsil University(崇实大学)
针对图分类中图神经网络过拟合问题,提出增强感知框架AugWard,通过预测增强图与原始图的图距离并引入一致性正则化,在监督、半监督及迁移学习中达到最先进性能。
2025-03-27 cs.LG
Data Augmentation for Deep Learning-based Radio Modulation Classification
Zhejiang University of Technology(浙江工业大学);University of Macau(澳门大学)
深度学习最近已被应用于自动分类接收到的无线电信号的调制类别,而无需手动经验。然而,训练深度学习模型需要大量的数据。训练数据不足会导致严重的过拟合问题,降低分类精度。为了处理小数据集,数据增强已被广泛用于图像处理中,以扩展数据集并提高深度学习模型的鲁棒性。然而,在无线通信领域,不同的数据增强方法对无线电调制分类的影响尚未被研究。在本文中,我们通过最先进的基于深度学习的调制分类器评估不同的数据增强方法。根据调制信号的特点,考虑了三种增强方法,旋转、翻转和高斯噪声,可以应用于深度学习算法的训练阶段和推理阶段。数值实验结果表明,这三种增强方法都能提高分类精度。其中,旋转增强方法优于翻转方法,这两种方法都比高斯噪声方法获得更高的分类精度。仅给定12.5%的训练数据集,联合旋转和翻转增强策略可以实现比初始100%训练数据集而没有增强的基线更高的分类精度。此外,通过数据增强,可以使用更短的无线电样本成功地对无线电调制类别进行分类,从而简化深度学习模型并缩短分类响应时间。
2019-12-10 cs.LG eess.SP
Object-Centric Dataset Resources for Constrained-Data Image Generation and Augmentation
The University of Queensland(昆士兰大学);Swinburne University of Technology(斯威本科技大学)
针对少样本场景下的对象中心图像生成,提出三个标准化数据集资源(Cityscapes-Pedestrian、TrafficSigns、COCO PottedPlant),提供256×256裁剪、边界框标注及重建脚本,支持受控比较与评估。
2026-06-23 cs.CV cs.LG
CGNN: Traffic Classification with Graph Neural Network
Harbin Institute of Technology(哈尔滨工业大学);National University of Defense Technology(国防科技大学)
流量分类将数据包流与已知的应用标签相关联,这对于网络安全和网络管理至关重要。随着NAT、端口动态和加密流量的兴起,获取统一的流量特征以进行准确分类越来越具有挑战性。许多最先进的流量分类器基于深度学习模型(例如卷积网络)自动从数据包流中提取特征。不幸的是,在这些深度学习模型中没有很好地提取数据包之间的组成和因果关系,这影响了不同流量类型的预测精度和泛化。在本文中,我们提出了一个链式图模型的数据包流,以保持链式组成序列。接下来,我们提出了CGNN,一个基于图神经网络的流量分类方法,它建立了一个图分类器自动提取的特征链图。对正常、加密和恶意流量数据集的广泛评估表明,CGNN对应用分类的预测准确率提高了23%~ 29%,对恶意流量分类的预测准确率提高了2%~ 37%,对加密流量分类的预测准确率达到了相同的水平。CGNN在查全率和查准率指标方面非常强大。我们已经广泛地评估了CGNN的参数敏感性,这产生了优化的参数,是非常有效的流量分类。
2021-10-19 cs.AI cs.LG
Generative Adversarial Classification Network with Application to Network Traffic Classification
University of Toronto(多伦多大学);TELUS Communications(泰勒斯通信公司)
机器学习中的大型数据集通常包含缺失数据,这需要对缺失数据值进行插补。在这项工作中,我们的动机是网络流量分类,传统的数据填补方法没有表现良好。我们认识到,没有现有的方法直接占数据插补过程中的分类精度。因此,我们提出了一种联合的数据填补和数据分类方法,称为生成对抗分类网络(GACN),其架构包含一个生成器网络,一个递归网络,和一个分类网络,这是迭代优化的分类精度的最终目标。对于部分数据样本未标记的情况,我们进一步提出了一种称为半监督GACN(SSGACN)的扩展,该扩展能够使用部分标记的数据来提高分类精度。我们用真实世界的网络流量数据痕迹进行实验,结果表明GACN和SS-GACN可以更准确地估算对分类更重要的数据特征,并且在分类精度方面优于现有方法。
2023-03-19 cs.IT cs.LG cs.NI
Principled Ultrasound Data Augmentation for Classification of Standard Planes
University of Oxford(牛津大学)
具有大学习能力的深度学习模型通常过拟合医学成像数据集。这是因为由于在医疗数据采集和标记中产生的大量时间和财务成本,训练集通常相对较小。因此,数据增强通常用于扩展训练数据的可用性并增加泛化。然而,增加战略往往是在没有正当理由的情况下临时选择的。在本文中,我们提出了一个增强策略搜索方法,以提高模型分类性能的目标。我们在增强策略搜索中包括了医学图像分析中经常使用的其他变换,并评估了它们的性能。此外,我们扩展了增强策略搜索,包括非线性混合示例数据增强策略。使用这些学习的政策,我们表明,原则性的数据增强的医学图像模型训练可以导致显着改善超声标准平面检测,平均F1分数提高了7.0%,总体上超过天真的数据增强策略,在超声胎儿标准平面分类。我们发现,学习表示的超声图像更好地聚类和定义与优化的数据增强。
2021-03-14 cs.CV cs.LG
An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks
Kyushu University(九州大学)
近年来,深度人工神经网络在模式识别方面取得了许多成功。这一成功的部分原因可以归因于对大数据的依赖,以提高泛化能力。然而,在时间序列识别领域,许多数据集往往非常小。解决该问题的一种方法是通过使用数据增强。在本文中,我们调查的数据增强技术的时间序列和它们的应用与神经网络的时间序列分类。我们提出了一个分类法,并概述了四个家庭的时间序列数据增强,包括基于变换的方法,模式混合,生成模型和分解方法。此外,我们经验性地评估了12种时间序列数据增强方法在128个时间序列分类数据集上使用6种不同类型的神经网络。通过研究结果,我们能够分析每种数据增强方法的特点、优缺点和建议。本调查的目的是帮助在选择时间序列数据增强的神经网络的应用。
2021-07-02 cs.LG stat.ML
Evaluating data augmentation for financial time series classification
University of Manchester(曼彻斯特大学);AllianceBernstein(联博集团);Aarhus University(奥胡斯大学)
结合深度神经网络的数据增强方法已广泛用于计算机视觉分类任务,取得了巨大成功;然而,它们在时间序列分类中的应用仍处于早期阶段。在金融预测领域更是如此,因为数据往往很小,有噪声和不稳定。在本文中,我们使用两种最先进的深度学习模型评估了几种应用于股票数据集的增强方法。结果表明,几个增强方法显着提高财务业绩时,结合使用的交易策略。对于一个相对较小的数据集($\approx30K$样本),增强方法实现了$400\%$的风险调整后的回报性能的改善;对于一个较大的股票数据集($\approx300K$样本),结果显示了$40\%$的改善。
2020-10-28 cs.LG q-fin.ST
A Deep Learning Model for Traffic Flow State Classification Based on Smart Phone Sensor Data
Southwest Jiaotong University(西南交通大学);University of Waterloo(滑铁卢大学);Southwestern University of Finance and Economics(西南财经大学)
提出了一种基于深度信度网络的交通流状态分类模型。该模型能够处理智能手机传感器生成的大量、高密度和噪声污染的数据集。分析了智能手机软件记录的车辆加速度、角加速度和GPS速度数据的统计特征,并将其作为交通流状态分类的输入。从五天的实验数据被用来训练和测试所提出的模型。共生成747,856组数据,用于交通流状态分类和输入变量的敏感性分析。实验结果表明,本文提出的深度信念网络模型在分类性能和计算效率上均优于传统的机器学习方法。
2017-09-26 cs.LG
NetMamba+: A Framework of Pre-trained Models for Efficient and Accurate Network Traffic Classification
Institute for Network Sciences and Cyberspace, Tsinghua University(网络科学与网络空间研究院,清华大学);Department of Computer Science and Technology, Tsinghua University(计算机科学与技术系,清华大学);Zhongguancun Laboratory(中关村实验室);Central South University(中南大学)
NetMamba+通过高效架构、多模态表示和标签分布感知微调,实现高效准确的网络流量分类。
2026-01-29 cs.LG
Cellular Traffic Prediction and Classification: a comparative evaluation of LSTM and ARIMA
Stockholm University(斯德哥尔摩大学);Huawei(华为)
为了提高资源利用率,蜂窝网络中的用户流量预测引起了广泛的关注。在本文中,我们研究了网络流量的预测和分类问题,分别采用标准的机器学习和统计学习时间序列预测方法,包括长短期记忆(LSTM)和自回归积分移动平均(ARIMA)。我们提出了一个广泛的实验评估的设计工具在一个真正的网络流量数据集。在此分析中,我们探讨了不同参数对预测有效性的影响。我们进一步扩展我们的分析问题的网络流量分类和预测的流量突发。一方面,结果表明LSTM的性能一般优于ARIMA,特别是当训练时间序列的长度足够长时,并且通过明智选择的特征集进行增强。另一方面,结果揭示的情况下,ARIMA执行接近最优的复杂性较低。
2019-06-03 cs.LG cs.NI eess.SP
Gaussian processes based data augmentation and expected signature for time series classification
Università di Pisa(比萨大学);Scuola Normale Superiore(比萨高等师范学校)
本文提出基于期望特征签名的时间序列特征提取模型,通过高斯过程数据增强计算签名,并在监督任务中学习最优特征提取。
2023-10-16 cs.LG
FlowletFormer: Network Behavioral Semantic Aware Pre-training Model for Traffic Classification
本文提出基于BERT的流量分类预训练模型FlowletFormer,通过行为感知流量表示、协议栈对齐嵌入及上下文感知预训练任务,显著提升流量表示、分类准确率与少样本学习能力。
2025-08-27 cs.LG
Multi-Modal Traffic Analysis: Integrating Time-Series Forecasting, Accident Prediction, and Image Classification
Department of Information Technology(信息科技系);Thiagarajar College of Engineering(提亚加拉尔工程学院)
提出集成机器学习框架,结合ARIMA、XGBoost和CNN实现交通预测、事故分类与图像识别,在多个数据集上优于基线模型,支持智慧城市部署。
2025-04-24 cs.LG
Model-Agnostic Augmentation for Accurate Graph Classification
Seoul National University(首尔国立大学)
给定一个图数据集,我们如何增强它以实现准确的图分类?图增强是提高基于图的任务性能的重要策略,并已被广泛用于分析Web和社交图。然而,以前的图增强工作要么a)在增强过程中涉及目标模型,失去了对其他任务的泛化能力,要么b)依赖于简单的算法,导致不可靠的结果。在这项工作中,我们介绍了五个所需的属性有效的增强。然后,我们提出了NodeSam(节点拆分和合并)和SubMix(子图混合),这两种模型无关的方法用于图增强,满足不同动机的所有期望属性。NodeSam对图结构进行了平衡的更改,以最大限度地降低语义更改的风险,而SubMix混合了多个图的随机子图,以创建丰富的软标签,将不同类别的证据结合在一起。我们在社交网络和分子图上的实验表明,NodeSam和SubMix在图分类方面优于现有方法。
2022-02-21 cs.LG cs.SI
TDDM-Melatt: A Decoupled Memory and Diffusion Framework for Generalizable Encrypted Traffic Classification
National University of Defense Technology(国防科技大学)
针对加密流量分类的泛化性局限,研究提出TDDM-Melatt框架,结合解耦内存模型Melatt与流量去噪扩散模型TDDM,在4个公开数据集上的实验性能优于6种基础分类模型和6种SOTA表示学习模型。
2026-09-14 cs.LG
Automatic Incident Classification for Big Traffic Data by Adaptive Boosting SVM
Hong Kong Baptist University(香港浸会大学);The University of Hong Kong(香港大学)
现代城市经历了繁忙的交通流量和跨越空间和时间的定期碰撞。监控交通状况成为交通控制与监控系统(TCSS)的一个重要挑战。在先进的TCSS中,它有助于自动检测和分类不同的交通事件,如拥堵的严重程度,异常驾驶模式,突然或非法停车的道路等,虽然大多数TCSS配备了基本的事件检测算法,但他们是粗糙的,是真正有用的自动化工具,进一步分类。在文献中,缺乏对自动事件分类(AIC)的研究。因此,本文提出了一种新的AIC方法来应对这些挑战。在所提出的方法中,交通信号首先从捕获的视频中提取并转换为时空(ST)信号。根据ST信号的特点,生成一组真实的仿真数据,构建一个扩展的大交通数据库,以涵盖各种交通情况。接着,引入均值漂移滤波器来抑制噪声的影响,并从ST信号中提取重要特征。然后将提取的特征与各种类型的流量数据相关联:一种正常类型(内点)和多种异常类型(离群点)。对于分类,训练自适应boosting分类器以自动检测流量数据中的离群值。此外,支持向量机(SVM)为基础的方法采用训练模型识别类别的离群值。简而言之,这种混合方法被称为自适应提升支持向量机(AB-SVM)方法。实验结果表明,该方法取得了令人满意的结果,平均超过92%的分类准确率。
2015-12-28 cs.LG
Efficient Gaussian Process Classification Using Polya-Gamma Data Augmentation
TU Kaiserslautern(凯泽斯劳滕工业大学);TU Berlin(柏林工业大学);University of Southern California(南加州大学)
我们提出了一个可扩展的随机变分方法GP分类建立在Polya-Gamma数据增强和诱导点。与以前的方法不同,我们获得了基于自然梯度的封闭形式的更新,从而实现了有效的优化。我们在包含多达1100万个数据点的真实数据集上评估了该算法,并证明它比最先进的算法快两个数量级,同时在预测性能方面具有竞争力。
2018-11-27 cs.LG stat.ML
Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification
National University of Singapore(新加坡国立大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文从频谱视角研究图数据增强,提出保留低频特征值的Dual-Prism方法(含DP-Noise和DP-Mask),在保持图属性的同时实现结构多样化,为图分类增强提供新方向。
2025-01-29 cs.LG
Traffic Pattern Classification in Smart Cities Using Deep Recurrent Neural Network
Al-Kitab University(阿尔基塔布大学);Sahrdaya College of Engineering and Technology(Sahrdaya工程技术学院);Sri Shakthi Institute of Engineering and Technology(Sri Shakthi工程技术研究所);Northern Technical University(北方技术大学);University of Anbar(安巴尔大学)
本文提出结合卷积层、循环层与 SoftMax 层的深度循环神经网络,用于捕捉交通数据的动态序列特征并分类交通模式;在真实数据集上优于现有方法,精确率最高达95%。
2024-01-24 cs.LG
Systematic Evaluation of Synthetic Data Augmentation for Multi-class NetFlow Traffic
Center for Responsible Artificial Intelligence, University of Applied Sciences and Arts Coburg(科堡应用科学与艺术大学负责任人工智能中心);Center for Artificial Intelligence and Data Science, University of Würzburg(维尔茨堡大学人工智能与数据科学中心)
针对NIDS多类攻击分类中训练数据不平衡的问题,本文设计系统性框架对比经典与生成式重采样方法,实验表明重采样方法未能可靠提升分类性能,多数情况下反而导致性能下降。
2024-08-28 cs.CR cs.LG
Synthetic Data Augmentation for Medical Audio Classification: A Preliminary Evaluation
Independent Researcher(独立研究者);University of Toronto(多伦多大学)
本研究评估了合成数据增强在医学音频分类中的效果,发现仅在模型集合中应用增强时,F1分数有所提升,但标准CNN分类器未见明显性能提升。
2026-02-03 cs.AI cs.LG cs.SD
Classification with Runge-Kutta networks and feature space augmentation
Humboldt-Universität zu Berlin(柏林洪堡大学);Martin-Luther-Universität Halle-Wittenberg(哈勒-维滕贝格马丁·路德大学)
在本文中,我们结合了一种基于Runge-Kutta网的方法[Benning等人,J. Comput.动力学,9,2019]和一种在[Dupont等人,NeurIPS,2019]以获得网络架构,该架构在点和图像分类问题中显示出更好的深度神经网络数值性能。该方法通过在PyTorch中实现的几个示例来说明。
2021-10-06 cs.LG math.DS
Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks
Xidian University(西安电子科技大学);Pazhou Lab(琶洲实验室);University of South Florida(南佛罗里达大学)
随着对新业务和应用需求的快速增长以及人们对数据保护意识的提高,传统的集中式流量分类方法面临着前所未有的挑战。本文介绍了一种新的框架,联邦生成对抗网络和自动分类(FGAN-AC),它集成了分散的数据合成与流量分类。FGAN-AC能够从分散的本地数据集中合成和分类多种类型的服务数据流量,而不需要大量的手动标记数据集或导致任何数据泄漏。提出并比较了两种类型的数据合成方法:计算高效的FGAN(\uppercase \expandafter{\romannumeral1})和通信高效的FGAN(\uppercase \expandafter{\romannumeral2})。前者仅实现单个CNN模型来处理每个局部数据集,而后者仅需要协调中间模型训练参数。提出了一种自动数据分类和模型更新框架,用于从合成的数据样本中自动识别未知流量,并为模型训练创建新的伪标签。数值结果表明,我们提出的框架有能力合成高度混合的服务数据流量,可以显着提高流量分类性能相比,现有的解决方案。
2021-04-21 cs.AI cs.LG
Observations on K-image Expansion of Image-Mixing Augmentation for Classification
Seoul National University(首尔国立大学);Chung-Ang University(中央大学);NAVER Clova
图像混合增强(例如,Mixup和CutMix),通常涉及混合两个图像,已经成为图像分类的事实上的训练技术。尽管它们在图像分类中取得了巨大的成功,但在文献中尚未阐明要混合的图像的数量:只有朴素的K图像扩展已被证明会导致性能下降。基于Dirichlet先验分布下的棒断裂过程,提出了一种新的K图像混合增强方法。通过大量的实验和分析,我们证明了我们的K图像扩展增强比传统的两图像混合增强方法的优越性:(1)更鲁棒和广义的分类器;(2)更理想的损失景观形状;(3)更好的对抗鲁棒性。此外,我们还证明了我们的概率模型可以测量样本的不确定性,并通过将搜索时间减少7倍来提高网络架构搜索的效率。代码将在https://github.com/yjyoo3312/DCutMix-PyTorch.git上提供。
2023-03-17 cs.CV cs.LG
A Preliminary Study on Data Augmentation of Deep Learning for Image Classification
Nanjing University(南京大学)
深度学习模型有大量的自由参数,需要通过在大量训练数据上对模型进行有效训练来计算,以提高其泛化性能。然而,数据获取和标记在实践中是昂贵的。数据增强是缓解这一问题的方法之一。在本文中,我们对三个变量(增强方法,增强率和每个标签的基本数据集大小)如何影响深度学习图像分类的准确性进行了初步研究。该研究提供了一些指导方针:(1)最好使用改变图像几何形状的变换,而不是仅仅使用光照和颜色的变换。(2)2-3倍的增重率即可满足训练要求。(3)the smaller更小amount量of data数据,the more obvious明显contributions贡献could have.
2019-06-09 cs.CV cs.LG eess.IV
TAO-Net: Two-stage Adaptive OOD Classification Network for Fine-grained Encrypted Traffic Classification
College of Artificial Intelligence and Automation, Hohai University, China(人工智能与自动化学院,河海大学,中国);Zhongguancun Laboratory, Beijing, China(中关村实验室,北京,中国);College of Information Science and Engineering, Hohai University, China(信息科学与工程学院,河海大学,中国)
TAO-Net通过两阶段自适应机制实现加密流量细粒度分类,有效识别新兴应用。
2025-12-11 cs.AI cs.LG
Fourier-basis Functions to Bridge Augmentation Gap: Rethinking Frequency Augmentation in Image Classification
University of Twente(特文特大学)
提出辅助傅里叶基增强(AFA),通过频域加性噪声补充视觉增强,提升模型对常见损坏、OOD泛化及扰动一致性的鲁棒性,且不影响标准性能。
2024-03-05 cs.CV cs.LG
ALP: Data Augmentation using Lexicalized PCFGs for Few-Shot Text Classification
Yonsei University(延世大学);NAVER AI Lab(NAVER人工智能实验室);Changwon National University(昌原大学)
数据增强是提高学习模型性能的重要因素。用于Few-Shot文本分类的先前数据增强方法已经导致了巨大的性能提升。然而,它们并没有被设计成捕捉自然语言的复杂组成结构。因此,他们无法生成具有合理和多样化句子结构的样本。基于此,我们提出了使用词汇化概率上下文无关文法(ALP)的数据增强方法,该方法可以生成具有不同句法结构的增强样本。词汇化的PCFG分析树考虑成分和依赖关系,以产生一个句法框架,最大限度地提高了各种单词的选择,在句法上可重复的方式,没有特定的领域专家。在Few-Shot文本分类任务上的实验表明,ALP增强了许多最先进的分类方法。作为第二个贡献,我们深入研究了训练值分裂方法时,数据增强方法发挥作用。我们凭经验认为,传统的训练和验证集的分裂是次优的相比,我们的新的基于增强的分裂策略,进一步扩大训练分裂相同数量的标记数据。总之,我们对数据增强策略的贡献为Few-Shot文本分类任务提供了强大的训练配方。
2021-12-16 cs.AI cs.CL cs.LG
Data augmentation with mixtures of max-entropy transformations for filling-level classification
EPFL(洛桑联邦理工学院);Queen Mary University of London(伦敦玛丽女王大学)
我们解决的问题,在测试时的数据与原则的数据增强计划的任务,内容级分类的分布偏移。在这样的任务中,诸如测试时容器(杯子或饮用玻璃杯)的形状或透明度之类的属性可能不同于训练数据中表示的那些属性。使用标准增强方案处理这种分布偏移是具有挑战性的,并且变换训练图像以覆盖测试时间实例的属性需要复杂的图像操作。因此,我们使用一系列最大熵变换来生成不同的增强,这些最大熵变换可以创建具有新形状、颜色和光谱特性的样本。我们表明,这样一个原则性的增强方案,单独,可以取代目前的方法,使用迁移学习或可以与迁移学习结合使用,以提高其性能。
2022-03-08 cs.CV cs.LG cs.RO
Fine-Grained AutoAugmentation for Multi-Label Classification
Peking University(北京大学);Alibaba Group(阿里巴巴集团);Alibaba DAMO Academy(阿里巴巴达摩院)
数据增强是提高深度学习模型泛化能力的常用方法。最近的工作表明,学习数据增强政策可以实现更好的泛化比手工制作的。然而,这些工作中的大多数对数据集中的所有样本使用统一的增强策略,这被观察到不一定对多标签分类任务中的所有标签有益,即,有些政策可能对某些标签产生负面影响,而对另一些标签有利。为了解决这个问题,我们提出了一种新的基于标签的自动增强(LB-Aug)方法,用于多标签场景,其中通过增强策略网络生成关于标签的增强策略。通过使用策略梯度方法的强化学习来学习策略,从而提供从实例标签到其最优增强策略的映射。数值实验表明,我们的LB-Aug在图像和视频分类的多个基准测试中的大幅度优于以前的最先进的增强方法。
2021-07-13 cs.CV cs.LG
A Natural Language-Inspired Multi-label Video Streaming Traffic Classification Method Based on Deep Neural Networks
Michigan State University(密歇根州立大学)
本文提出了一种基于深度学习的流量分类方法,用于在加密隧道内同时识别多个流式视频源。这项工作定义了一个受自然语言处理(NLP)启发的新功能,允许现有的NLP技术帮助流量分类。描述了特征提取方法,并创建了包含视频流和Web流量的大型数据集来验证其有效性。通过应用几种NLP方法获得的结果表明,所提出的方法在二进制和多标签流量分类问题上都表现良好。我们还展示了该方法实现zero-shot学习的能力。
2019-06-04 cs.CV cs.LG eess.SP
Image augmentation improves few-shot classification performance in plant disease recognition
预计到2050年,世界人口将接近100亿,因此最大限度地减少作物损失和保障粮食安全从未如此重要。机器学习已经被提出作为快速有效地识别作物中的疾病的解决方案。卷积神经网络通常需要大量的注释数据集,而这些注释数据集在需要时是不可用的。收集这些数据是一个漫长而艰巨的过程,涉及手动采摘,成像和注释每一片叶子。我通过探索各种数据增强技术与迁移学习结合使用时的有效性来解决植物图像数据稀缺的问题。我评估了各种数据增强技术单独和组合对ResNet性能的影响。我提出了一种利用一系列不同增强的增强方案,通过多次试验不断提高准确性。我仅使用总共10张种子图像,证明我的增强框架可以将模型准确性提高25%以上。
2022-08-25 cs.CV cs.LG